向量数据库：AI 应用的存储层
向量数据库存储和检索高维嵌入 — 驱动语义搜索、推荐引擎和检索增强生成的数值表示。与关系型或文档数据库不同，它们的设计目的是大规模、低延迟地回答"查找与此查询最相似的 10 个项目"这类问题。本课程覆盖了在生产环境中占主导地位的三个工具：Pinecone、Weaviate 和 pgvector — 分别是托管云服务、自托管开源引擎和 PostgreSQL 扩展。
你将学到什么
你将从向量数据库的内部工作原理开始，然后转向为真实数据集生成和管理嵌入。之后你将深入使用每个平台：使用 Pinecone 进行索引和查询、使用 Weaviate 的 schema 和 GraphQL 接口进行数据建模、以及使用 pgvector 向现有 Postgres 栈添加向量搜索。本课程特别强调 Retrieval-Augmented Generation (RAG) — 构建以你自己的数据为基础的 LLM 响应管道 — 然后深入高级领域：多阶段 RAG 策略、pgvector 索引调优和查询优化，以及 Weaviate 的混合搜索和模块系统。最后的课程涵盖在生产环境中部署和运维向量数据库应用，以及评估新兴的混合方法。
学习路径
十二门课程涵盖 A1 至 C2。课程以向量数据库基础开始，然后是两门并行的 A2 入门课 — 一门关于 Pinecone，一门关于 pgvector — 在 B1 级汇聚进行嵌入生成和 Weaviate 核心概念的学习。B2 层添加了高级 Pinecone 操作和第一门 RAG 课程。C1 区块是最长的部分：高级 Weaviate 功能、优化 pgvector 性能、高级 RAG 策略和向量数据库应用的生产化。课程以 C2 级的未来趋势与混合方法结束，该课程总结了向量、关键词和图检索的融合景观。
工作方式
每门课程分为短小的实战课程，你在内置代码编辑器中完成，获得实时反馈。当你遇到困难时，AI 导师随时可用，因此你可以在不离开应用的情况下按自己的节奏处理索引配置、嵌入管道和查询优化。